人工神经网络在照明控制系统中的应用研究

2008绿色照鞠与照明繁能辩技研讨会 人工神经网络在照明控制系统中的应用研究 罗红 刘海龙 ≤上海城建建筑规刘 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 有限公司≥ 《中国建筑谩诗研究院) l、前言 随着现代技术的发展，信息控制技术，计算机技术得到了全面的普及和推广，其在照 明领域的应用，使得照明控制有了长足的进步，许多可调光、智能化、网络化的照明控制 系统孕育丽生，大大增强了照明设计的经济性、合理性和人性化，并为绿色照明的发展提 供了技术平台。随着大型办公、商业建筑空间大量增多，合理利用天然光和人工光成为了 节约能源的重要课 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 ，而基于人工神经网络的照明控制技术将在解决这个问题中扮演着重 要角色。 2、智能照明控制系统与传统控制策略 智能照明控制系统是基予计算挑技术、网络技术基础上，它由照明器单元、信号接受 与处理单元、控制器单元、网络传输单元等组成，可对建筑内所有照明环境进行照度的囱 动控制、监视、预测、能源管理。要实现完全的智能照明控制，必需有合理的照明控制策 略。目前较为常用的照明控制策略是基于“人使用灯野行为的研究两发展的，主要有以下 四种形式： a．昼光控制：根据照明器的使用周期与室内天然采光的水平的密切联系，采用“昼光 控制"的策略。因此，昼光照明控制器由光敏传感器、开关或调光装置组成，随天然采光 的变化，自动调节电灯开痘的数量。 b．时间 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 控制：时间表控制分为可预知时间表控制和不可预知时间表控制两种。对于 每天使用内容及使用时间变化不大的场所，采用可预知时间表控制策略，过定时控制方式 来满足活动要求。对于每天的使用内容及使用时间经常变化的场所，可采用不可预知时闽 表控制策略，这种控制策略采用人体活动感应开关控制方式。 c．局部光环境控制：局部光环境控制是指按个人要求调整光照。一般照明 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 主要是 一lOR— 2008绿色照明与照明节能科技研讨会 符合多数入满意酶照度水平，考虑到个人的榄觉差凳较为显著，可以根据工作人员爨己嚣 视觉作业要求、爱好等需要来调整照度。通过遥控技术可实现局部光环境控制。 d．平衡照明团负荷曲线控制：为适应电力公司“实时电价”的概念，充分利用电力系 统中麴装饕容量，鼓励人{|’】在电缝需求低谷麴时段焉毫，以平簿嚣负蓊曲线。嚣蓠已经磷 制如的用电设备可在夜晚充电蓄能，白天自动放电。 魁前大量使用的照明控制系统主要是根据时间表控制和局部光环境控制的策略工作， 由计算枧系统受责时阀袭设置、照嗔场景设置，实现有限控铡模式豹变化，大多数控制模 式是根据个人控制经验和现场调试结果设置的，与外部光环境变化舞步性较差。同时所有 控制系统都未考虑天然光的充分剩用，造成在大面积玻璃采光的办公人员抱怨孛午强烈豹 太霸光照绘鼹靖造成的疲劳，穗覆，远离外窑麴办公人员却艳怨光线不足。 3、基于搿人使用光嚣的控制策略和光预测 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 随着现代生活节奏的加快，人们对光环境的要求不仅仅是有灯就行，人们更需要囱然、 安全、舒适、有效的光环境。人们崇尚自然光带来的方向感、安全感禳良好的色彩感，羼 时也砍赏人工照骥靛剑造缝、可控性、舒适性。嚣此扶“入使焉光’’的麓度考虑照骥控制 策略将更符合“以人为本"设计理念。采用以天然光和人工光楣结合的“昼光使用控制’’ 方式，通过控制昼光投射到使用窆闻量的多少，配合适量人工照明加以补充，根据登光投 射到密主的垂壹熙度分布，预测室蠹巍然巍照度分布，控制电动窗帘的敞开度和室内人工 照明的照度水平，以形成健康、节能、舒适熬照明空闻。 要合理控制窗帘的敞开度翻室虞人工照明的照度，必须科学遣预测塞内巍然光的照度 分布。盎子鸯然光本身魏多交性和办公空闻豹多变性给实对预测室内崮然光的照度分布提 ， 出了难题。丽神经网络这门学科的兴起，为我们解决这个难题提供了先进的手段。 4、人工神经网络与自动控制 ， 神经网络作为-fl新兴的学辩，疆前已被视为人工智熊发展的～个重要方向，它是由 大量的处理单元广泛连接焉成，瑷模撅大脑行舞戆复杂瓣络系统。因隽人王裤经网络具有 “学习"和“记忆"功能，从褥十分容易进霉亍知识获取工侔，同时电于葜具有“联想壮功 能，所以在只有部分信息的情况下也能回忆起系统全貌，可以非常方便地进符预测。 -·—一109，—·—— 2008绿色照骧鸟照明繁能科技研讨会 人工神经网络是一种大规模并行的非线性动力系统。因此，使用人工神经网络可以解 决以往传统预测方法想解决而又无法解决的问题。对于大量的实际预测问题，数据的采集 往往是很不精确的，甚至可能是错误的，而且只有当预测模型参数的选取，随着预溯环境 的不同丽相应改变，才会得出较好的预测结果。这正是入工神经嬲终对处理较为复杂的预 测与控制具有颇佳的优越性。因此，人工神经网络可以很好地对室内自然光照度进行预测 与控制，并提供～个充分利用自然光与人工照明相结合的节能控制策略。 人工神经网络扶仿生学的角度出发，模拟人脑的神经元系统，使机器具有类似人脑那 样的感知、学习和推理功能。基于人工神经网络本身的特性，人工神经网络的智能控制系 统具有以下特性： (1)它能以任意精度逼近任意连续i#线性函数； (2)对复杂不确定褥题具有自适应和自学习能力； (3)由网络的非线性特性带来的计算能力和对非线性系统的囱适应控制能力； (4)它具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输 入信息的关系，适用于多信息融合和多媒体技术。 基于神经元网络的控制器，其控制问题可以看作是一类模式识别问题，要识别的模式 是一些关于受控系统的状态、输出或某个性能评价函数的变化信号，这些信号经神经元网 络映射为作用信号(即控制信号)。神经元网络控制器能够实时地识别出这些变化信号，著 能从过去的经验中进行学习，褥出变化信号与作用信号闻的内在联系，即使在神经网络输 入信息量不充分的情况下，也能够快速地进行模式识别，并产生出适当的控制信号。。 5基于BP神经网络的照明控制系统的研究 5。l黯网络及其结构 为了使人工神经网络得到更好的应用，人们找到了误差反向传播训练算法(简称BP算 法)，网络各层无反馈，采用有教师学习，雳已知的输入／输出模式对瓣络进行训练。 BP算法的学习过程由正向传援和反向传播两个部分组成。在正向传播的过程中，输入 信息从输入层经隐含层单元组成处理，并传向输出层。重要的是每层神经元的状态只影响 下一层神经元的状态。如果在输出层得不到期望的输出值，剐转入反向传播，将误差沿原 来的连接逶路返回。通过修改每个神经元的参数和神经元之间的连接权重，使误差信号达 到最小。这种多层网络称之为多层感知器或BP网络。通常采用的多层网络均为可微分的非 一¨0一 2008绿色照明鸟照明节能科技研讨会 线性转移滋数，酃Sigmoid丞数，有时迄采用j}=对称函数。 通常输入屡、中闻瑟、输臻层梅建鲶三层神经网终瑟足以模拟输入与输爨之瓣的菲线 性映射关系。照多的网络层次固然能够提赢人工神经网络学习复杂映射关系的能力，但占 愆计算机瓷源过多、溺络学习收敛漫，因为随着嬲络层次的增加，神经元及其连接权重将 大娩模增加，褥基这些变量都是需要在学溺中确定麓。裁三层神经网络两言，输入层、输 出屡神经元的个数已由所求问题本身确定。但中间隐含层个数并不能确定，篱对特定阕题 的试探两定。有文献推荐中润隐含层结点个数大予输入输出单元数总帮靛一半，或者莠输 入输凄单元数总和，然籍檄据实际情况进行调整。为了减少计算工作量，神经元个数应尽 量减少。 S．2照明控制系统的模型 通过实验获褥输入／输出样本集数据，然后通过应用软件对神经网络(BP网络)进行训 练，以构建照嘲工作区的控制模型。最终根据建筑照明设计标准来检验实际照明效果是否 达到预期设计隧标。 这里选取面积为16平方米，高3．2米的办公室作为模型实验空间。该室有大砥积采光 窗，近耋鬟予玻璃幕墙采光。妇暴E，酶兔许测量误差势±lO％，则砸采瘸室形指数鼍选择最 少测点数靛办法来减少相应的工作量。挺与最少测点数的关系，如表l所示。 襞熏室形指数与溅点数鹩关系 室形指数 最少测点数 K，<1 4 1≤Kr《2 9 2≤K，<3 16 墨≥3 25 通过测量葬粥其墨=承I再×丽W=o。72，因此，只要测量点大手莲个裁能达到更小的误差 范围。 隽了褥到燹加准确的平均照度，将房阕按0．5rex0．5m分为 11《行)×8(列)一88个单元格，每刭平行予窑弱。 BP网络的输入取各次水平照度测量的平均值，欲使误差减 低到最小，还需将每行的平均水平照度也作势输入(共有羔羔行)， 因此输入共有董2个；再由Kolmogorov定理，隐层结点数取 2拧+l=25个；输出只控制窗帘的敞开度和日光灯的亮和灭： 羹禽糕点鲻十 t协台晨) 露'8p鼹络模擞 2008绿色照明与照骥节能科技研讨会 (1)对于窗帘，在样本训练阶段，可以把敞开度设定为0(全闭)、0．1、0．2、0．3、0．4、 0．5、0．6、0．7、0．8、0．9、l(全敞开)； (2)对于目光灯，虽前仅是蕊个值，即“0”(目光灯灭)和“l’’(日光灯亮)。 因此输出节点数为2。BP网络结构如图l所示(其中，隐层结点数暂定25个)。 目前所做模型仅根据室内照度值来改变窗帘的敞开度大小、目光灯的亮和灭，丽不考 虑其他因素。因此可多选择几种天气进行测量，比如，在晴天的时候，室内的照度较高， 窗帘的敞开度可以减小，并关掉曰光灯；在阴天或雨天时，室内照度较低，敞开度增大， 或同时把日光灯点亮。 5。3模型训练实验 首先，为使训练样本具有普遍性，选择各种天气和不同时间进行测量以达到足够的样 本量(因为在不同天气和不同时间下，室内平均照度差别较大，分别对应不同的敞开度，所 以选择不同天气进行测量)。 其次，每次先测量敞开度为l且圈光灯为0时室内的平均照度，如果此时室内的平均 水平照度大于200"'300的标准，则调整窗帘的敞开度，真到平均水平照度达到200"'300 的范围内。此时，对应于BP网络训练样本的输入应为室内的总平均水平照度和每行的平均 水平照度，对应予训练样本的输出应为此时窗帘的敞开傻和尽光灯的值(此时墨光灯僮为 0)：如果室内的平均水平照度小于200，则应该把曰光灯点亮，并调整窗帘的敞开度，直 到室内平均水平照度达到200"-'300的范围，此时，对应予BP网络训练样本的输入应为室 内的总平均水平照度和每行的平均照度，对应于蛩||练样本的输出应为此时窗帘的敞开值和 日光灯的值(此时目光灯的值为1)。 最后，对每次的数据规格化处理，并进行BP网络的训练。 为了使训练样本具有普遍性，进行了七次测量。每次测量得到不同的平均照度值，每 次测量的数据如表2所示(窗帘和尽光灯进行调节蘑所取得符合标准的照度)。 对应以上七次输入，输出为窗帘的敞开度和日光灯的状态(亮、灭)调整后，使室内平 均照度为200"---300范围时的窗帘敞开值和网光灯的状态值(亮、灭)，其状态如下表3所示。 这些数据便是训练赞网络的嚣标输粥。 应用KATLAB应用软件并建立BP网络模型，然后对已建立好的网络按照所设定的参数 进行训练。经过13757步训练，模型达到收敛，至此，BP网络已经训练完成。接着，再将 输入对训练好的鼹网络进行仿真，仿真结果与露标输出之间误差最大相差只有7x10弓，达 一112一 2008绿色照明与照明节能科技研讨会 到设计要求。 6、结论 本测试结果表现出窗帘开度与室内照度的非线性变化，证明了室内照度水平的变化不 仅与窗帘开度、室内人工照明有关，而且与囱然光的变化有着密切关系。由此可见室外照 ●‘ 度值对系统的控制起着重要作用。因此，自然光在室外垂直葱上的照度应作为本系统模型 训练的输入量考虑。通过实例看出，人工神经网络的最大特点在于不需设计任何数学模型， 可通过神经元之间的相互作用来完成整个网络的信息处理，并根据对非线性函数的复合来 逼近输入和输出之间的映射，具有叁学习，囱组织，自适应和容错性等一系列优点，应用 人工神经网络进行室内照明控制模型的建立具有可行性，并具有广阔的应用前景。因此我 们可以迸一步改进输入量的组成，充分考虑大多数可量化的影响照明环境的参数，如时间、 季节、外墙自然采光面积、透竞率等参数，充分利用计算机的计算容量，使控制模型更加 优化，达到真正的智能照明控制系统的要求，为现代化发展的时代提供人性化的绿色照明 环境。 表2试验测量数据 单位：& 第一玟 第二次 繁兰次 第西次 第五次 第六次 第七次 第一行 163 101 124 102 12l 178 76 第二纾 158 103 133 96 132 210 94 第篓行 179 112 146 112 146 224 108 第双行 206 134 177 126 166 232 薹19 第孤行 2．40 171 230 17I 206 222 133 第六行 286 205 302 216 24l 225 155 第七行 391 257 364 278 302 242 220 第八行 479 30l 41l 389 413 282 281 第九纷 522 371 564 537 489 308 360 第十行 417 315 593 512 506 284 452 筹÷一行 2S0 188 26G 18§ l鹌 174 219 室内平均照度 295 205 297 247 26l 235 20l 表3试验测量数据 015 25 04 05 1 0．5 0 7500 0 0 0 1 0 I 窗帘敞开值 I ． 1 o． 1 。 1 ． I I 1 ． 1 | 习光囊了状态 | | | | | | | i 一113— 2008绿色照明与照骥节能科技研讨会 参考文献 【l】1俞丽华．电气照明．上海：问济大学出版社，2001 f2】王晓岽．电气照明技术．北京：机械工业出版社，2004 【3】Panos。J。An揍aldisNeuralNetworksinControlSystemsIEEEContr．Syst。Mag．Apr． 1990．PP3．5 【4】张仲俊等， 智能控制与智能控制系统信息与控制1989．PP30．39 ·———114———— 人工神经网络在照明控制系统中的应用研究 作者： 罗红， 刘海龙 作者单位： 罗红(上海城建建筑规划设计有限公司)， 刘海龙(中国建筑设计研究院) 本文链接：http://d.g.wanfangdata.com.cn/Conference_7035560.aspx